PulseAugur
中
实时 16:30:10
English(EN) CASR: A Robust Cyclic Framework for Arbitrary Large-Scale Super-Resolution with Distribution Alignment and Self-Similarity Awareness

新的CASR框架增强了任意尺度超分辨率能力

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了CASR，一个新颖的循环框架，旨在克服任意大规模超分辨率（ASISR）的局限性。该框架解决了跨尺度分布偏移的问题，这种问题通常在高放大倍数下导致伪影和噪声。通过将超放大重塑为一系列分布内尺度转换，CASR确保了即使在极端尺度下，单个模型也能实现稳定的推理。该系统集成了SSAM和SARM模块，以对齐结构分布并恢复高频纹理，从而保留自相似性并提高泛化能力。 AI

排序理由 该集群包含一篇详细介绍图像超分辨率新技术的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.CV 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

报道来源 [1]

  1. arXiv cs.CV TIER_1 English(EN) · Wenhao Guo, Zhaoran Zhao, Peng Lu, Sheng Li, Qian Qiao, DeRui Li ·

    CASR: A Robust Cyclic Framework for Arbitrary Large-Scale Super-Resolution with Distribution Alignment and Self-Similarity Awareness

    arXiv:2602.22159v4 Announce Type: replace Abstract: Arbitrary-Scale SR (ASISR) remains fundamentally limited by cross-scale distribution shift: once the inference scale leaves the training range, noise, blur, and artifacts accumulate sharply. We revisit this challenge from a cros…

相关实体

相关话题